背景：
最近在學習時通常會聽到一些詞就是噪音和降噪。同樣為了解惑將網上搜來的解答在這裡總結下。
解答：我的總結：訓練集中的目標變數的錯誤，輸入變數某一維不準確，這些資料被稱為雜訊。
貌似錯誤和雜訊是同義詞。
摘錄：在實際情形中，訓練資料的誤標籤的情況，輸入資料某一維不準確的情況，都可能導致資料資訊不精準，產生雜訊資料。
由於受到雜訊的影響，我們現在可以把y也看做是一種概率分布,y也是從某種分布中取樣而來的，即y~p(y|x)。
這裡的p(y|x)被稱為目標分布。回頭來看，我們可以把學習的目標總結為，在常見的輸入(符合p(x))中可以**出理想的目標(p(y|x))。（這不是監督學習的定義嗎？）
有兩種錯誤計算方法：
第一種叫0/1錯誤，只要【**≠目標】則認為犯錯，通常用於分類；
第二種叫平方錯誤，它衡量【**與目標之間的距離】，通常用於回歸
不同的錯誤型別可能導致不同的懲罰策略。
這兩種錯誤分別是錯誤接受(false accept，即實際是負例，卻判為正例)和錯誤拒絕(false reject，即實際為正例，卻判為負例)。
在有些地方這兩種錯誤也稱作false positive(假陽性，誤報，把合法的判斷成非法的)和false negative(假陰性，漏報，把非法的判斷成合法)。
這裡有時會弄混淆，記得在醫學上，陽性代表有病或者有病毒，陰性代表正常，那麼假陽性就是把正常診斷為有病毒，而假陰性就是把有病毒診斷為正常。
如果在超市中通過指紋識別來進行打折活動，如果是vip使用者，之前有指紋錄入的話，就應該有優惠活動，否則沒有。
如果發生false reject的情況，那麼顧客可能會不高興，這樣就會損失了一部分未來的生意；而如果發生false accept的話，超市只不過損失了一點小錢。
所以對於超市的成本表，false reject會犧牲成本比較大，而false accept犧牲的成本會較小。所以，我們應該盡量避免false reject的情形。
如果美國中情局，用指紋識別來判斷該人是否有許可權進入系統檢視重要資料。
那麼，發生false accept的情況會導致很嚴重的後果，而false reject的話，就不會有太大的影響。
所以對於cia的成本表，應該盡量避免false accept的情形。
尚待解決的疑問或者改進：
抽樣中誤差的相關概念和種類
總結下抽樣技術中幾個誤差 誤差 測定值或估計值 真值 測定值或估計值 觀察值和樣本統計量 總誤差可分解非抽樣誤差 偏差 抽樣誤差 非抽樣誤差 指不是由於抽樣或估計方法引起的誤差。它不是抽樣調查固有的，即使是全面調查也存在。如 過失性錯誤，調查員錯測 錯記 被調查者無回答 測量誤差 又稱隨機誤差 前者...
機器學習與資料探勘 第四講 誤差和雜訊
在有噪音的情況下y yy的輸出帶有了概率性，即y yy服從如下分布 x p x x p x x p x y p y x y p y x y p y x p y x f x noi se p y x f x noise p y x f x no ise,x條件下 條件下條件 下y 出現的概率分布。p ...
Swift 關於float的誤差
最近接手乙個專案，收拾一堆的剩下的爛攤子，有相關金額的部分，現場反應接收到的json資料在顯示和計算時，有的時候會有1分錢的誤差，關於錢的事情是絕對不可能允許的。原因其實很簡單，檢視了一下 在用mjextension接收資料時，全部選用的是float型別來接收，在需要使用高精度的時候，我們一定要使用...